Публикации по теме 'science'
Машинное обучение и глубокое обучение: ваш путеводитель по пониманию ИИ
прежде чем вы начнете читать, ознакомьтесь с этим : бизнес-пакет Fiverr — это интегрированная система, которая позволяет людям/компаниям получать доступ к ПРОФЕССИОНАЛЬНЫМ услугам и эффективно координировать свои задачи с командой/сотрудниками удаленно, если вам интересно ‹‹нажмите здесь››
Введение:
Мир технологий быстро меняется, и искусственный интеллект (ИИ) стал важной частью нашей жизни. Машинное обучение (ML) и глубокое обучение (DL) — два наиболее значительных события в..
Применение машинного обучения в материаловедении и химической инженерии
Химические реакции и фазовые превращения лежат в основе различных явлений, от космологических процессов до возникновения жизни на Земле и до современных технологий, и поэтому представляют огромный интерес как для фундаментальных, так и для прикладных наук.
Здесь я представляю обзор последних достижений на стыке вычислительной математики, материаловедения и химической инженерии.
#PaperReview
Обзор
Это исследование внесло множество заметных вкладов:
1. Автоматическая маркировка..
Понимание различных типов атрофии, часть 2 (нейронаука)
Роль SIRT2 в регуляции активируемого дексаметазоном пути аутофагии при атрофии скелетных мышц (Pubmed)
Автор: Ziqiu Han 1 1 , Cen Chang 1 1 , Weiyi Zhu 1 1 , Yanlei Zhang 1 1 , Цзин Чжэн 1 1 , Сянпин Кан 1 1 , Гоцинь Цзинь 1 1 , Чжанбин Гун 1 1
Аннотация: Система протеолитической аутофагии участвует в основном регуляторном пути мышечной атрофии, вызванной дексаметазоном (Dex). Известно, что сиртуин 2 (SIRT2) модулирует передачу сигналов..
Важность метрики Фишера-Рао, часть 1 (машинное обучение)
Геометрия метрики Фишера-Рао на пространстве гладких плотностей на компактном многообразии (arXiv)
Автор: Мартинс Бруверис , Питер В. Михор .
Аннотация: Известно, что на замкнутом многообразии размерности больше единицы всякая гладкая слабая риманова метрика на пространстве гладких положительных плотностей, инвариантная относительно действия группы диффеоморфизмов, имеет вид
Gμ(α,β)=C1(μ(M))∫Mαμβμμ+C2(μ(M))∫Mα⋅∫Mβ
для некоторых гладких функций C1,C2 полного объема µ(M). Здесь мы..
Приложения анализа временных рядов часть 1 (статистика).
1. Обучение надежных глубоких моделей для области временных рядов: новые алгоритмы и теоретический анализ (arXiv)
Автор: Таха Белкхуджа , Ян Ян , Джанардхан Рао Доппа
Аннотация . Несмотря на успех глубоких нейронных сетей (DNN) в реальных приложениях с данными временных рядов, таких как мобильное здоровье, мало что известно о том, как обучать надежные DNN для домена временных рядов из-за его уникальные характеристики по сравнению с изображениями и текстовыми данными. В этой..
Разработки в области численного анализа, часть 2 (2022 г.)
1.Числовой ранг сингулярных ядерных функций ( arXiv )
Автор: Ритеш Хан , В. А. Кандаппан , Шиварам Амбикасаран
Аннотация: мы изучаем ранг подматриц, возникающих из ядерных функций, F (x, y) : Rd × Rd ⏰→ R, где x, y ∈ Rd, которые имеют особенность вдоль диагональ х = у. Такие функции ядра часто встречаются в широком диапазоне приложений, таких как задачи N тел, функции Грина, интегральные уравнения, геостатистика, кригинг, гауссовские процессы и т. д. Одна из проблем при..
Действительно ли случайны случайные числа из функции генератора случайных чисел?
Да и нет!
Случайные числа, сгенерированные с помощью rand() или любых подобных функций, в основном не являются случайными, поскольку вычислительная система состоит из микропроцессора, а микропроцессор работает с систематическими командами (байт-кодами), выполняемыми одна за другой, поэтому нет никаких шансов на то, что случайность. Таким образом, случайные числа — это числа в повторяющейся последовательности. Но количество итераций, после которых они повторяются, очень велико, поэтому..
Новые материалы
Объяснение документов 02: BERT
BERT представил двухступенчатую структуру обучения: предварительное обучение и тонкая настройка.
Во время предварительного обучения модель обучается на неразмеченных данных с помощью..
Как проанализировать работу вашего классификатора?
Не всегда просто знать, какие показатели использовать
С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..
Работа с цепями Маркова, часть 4 (Машинное обучение)
Нелинейные цепи Маркова с агрегатором и их приложения (arXiv)
Автор : Бар Лайт
Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..
Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]
Как вы сегодня, ребята?
В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..
Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter
Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение.
В этом процессе мы будем использовать неконтролируемое обучение, чтобы..
Учебные заметки: создание моего первого пакета Node.js
Это мои обучающие заметки, когда я научился создавать свой самый первый пакет Node.js, распространяемый через npm.
Оглавление
Глоссарий
I. Новый пакет
1.1 советы по инициализации..
Забудьте о Matplotlib: улучшите визуализацию данных с помощью умопомрачительных функций Seaborn!
Примечание. Эта запись в блоге предполагает базовое знакомство с Python и концепциями анализа данных.
Привет, энтузиасты данных! Добро пожаловать в мой блог, где я расскажу о невероятных..